Rust で画像内のテキストを認識(OCR)
画像ファイル名を受け取り、Tesseract が認識したテキストを出力する Rust のコマンドラインプログラムを作成します。まず、既知の請求書番号を含む画像を生成して使い、次に手元の画像を試します。このプログラムにはグレースケール処理を選択する機能もあり、テキストを認識できない場合はゼロ以外の終了ステータスを返します。
このチュートリアルでは、ローカルファイルと英語の言語データを使います。サンプルで正しい結果が得られれば、Rust バインディング、ネイティブライブラリ、モデルが連携して動作していると確認できます。ただし、レシート、手書き文字、複雑なページレイアウトでの精度を実証するものではありません。
前提条件
- Rust と Cargo がインストールされた Linux および Bash
- 開発用ヘッダーとライブラリを含む、ネイティブの Tesseract と Leptonica
- ネイティブバインディング用の
pkg-config、C/C++ コンパイラー、libclang - 英語の言語データ
eng.traineddata - サンプル画像の生成用の ImageMagick 7 と Liberation Sans フォント
この例は Rust/Cargo 1.98.1、Tesseract 5.5.3、Leptonica 1.87.0、ImageMagick
7.1.2-31 で実行しました。このチュートリアルでは、このツールチェーンを使ってください。image クレート自体が宣言する Rust の最低バージョンは
1.88.0 ですが、プロジェクト全体について動作検証した最低バージョンではありません。
Tesseract のインストール
Rust クレートは Tesseract 自体をインストールしません。ディストリビューションに応じてネイティブ版のインストールガイドに従い、エンジンと英語モデルに加えて開発用ライブラリもインストールしてください。
Ubuntu/Debian では、関連するパッケージ名に libtesseract-dev、libleptonica-dev、tesseract-ocr-eng などがあります。ディストリビューションのパッケージは、検証済みツールチェーンとは異なるバージョンを提供している場合があります。
ここに示す実行手順は Linux を対象としており、macOS や Windows での動作は検証していません。プロジェクトを作成する前に、ネイティブの依存関係を確認してください。
rustc --version &&
cargo --version &&
tesseract --version &&
pkg-config --modversion tesseract lept &&
tesseract --list-langs &&
magick -version
言語一覧には eng が含まれている必要があります。pkg-config が tesseract または lept を見つけられない場合は、コンパイル前に不足している開発用パッケージや検索パスの問題を解決してください。ImageMagick のフォント一覧(magick -list font)には
Liberation-Sans が含まれている必要があります。
プロジェクトのセットアップ
既存の Cargo ワークスペースの外にあるディレクトリを選んでください。次のブロックを貼り付けて、新しいバイナリプロジェクトを作成します。rust-ocr ディレクトリがすでに存在する場合は作成を拒否し、実行後も元のディレクトリにとどまります。
(cargo new --bin --edition 2021 --vcs none rust-ocr)
rust-ocr 内の Cargo.toml 全体を、次の内容に置き換えてください。
[package]
name = "rust-ocr"
version = "0.1.0"
edition = "2021"
[dependencies]
anyhow = "=1.0.104"
image = { version = "=0.25.10", default-features = false, features = ["jpeg", "png"] }
tempfile = "=3.27.0"
tesseract = "=0.15.2"
初回のビルドで Cargo.lock が作成されます。アプリケーションと一緒に保持し、以降のビルドでは --locked を使って、Cargo が依存関係の解決結果の変更を拒否するようにしてください。ネイティブライブラリと言語データは別途インストールするため、ロックファイルではそれらのバージョンを固定しません。
基本的な OCR の実装
rust-ocr/src/main.rs を、次のプログラム全体に置き換えてください。
use std::path::PathBuf;
use anyhow::{bail, ensure, Context, Result};
use tesseract::{PageSegMode, Tesseract};
const USAGE: &str = "Usage: rust-ocr <image> [--grayscale]";
fn main() -> Result<()> {
let mut arguments = std::env::args_os().skip(1);
let input = PathBuf::from(arguments.next().context(USAGE)?);
let grayscale = match arguments.next() {
None => false,
Some(flag) if flag == "--grayscale" => true,
_ => bail!(USAGE),
};
ensure!(arguments.next().is_none(), USAGE);
let input = input.canonicalize().context("Could not open input image")?;
let temporary_directory = if grayscale {
Some(tempfile::tempdir().context("Could not create temporary directory")?)
} else {
None
};
let image_path = match &temporary_directory {
Some(directory) => {
let decoded = image::open(&input).context("Could not decode input image")?;
ensure!(
matches!(decoded.color(), image::ColorType::L8 | image::ColorType::Rgb8),
"Grayscale mode requires opaque 8-bit PNG or JPEG"
);
let processed = directory.path().join("processed.png");
decoded.grayscale().save(&processed)
.context("Could not write grayscale image")?;
processed.canonicalize().context("Could not resolve temporary image")?
}
None => input,
};
let filename = image_path.to_str().context("Image path must be valid UTF-8")?;
let mut ocr = Tesseract::new(None, Some("eng"))
.context("Could not initialize English OCR; check eng.traineddata")?
.set_image(filename)
.context("Could not decode input image")?;
ocr.set_page_seg_mode(PageSegMode::PsmSingleBlock);
let text = ocr.get_text().context("Recognition failed")?;
ensure!(!text.trim().is_empty(), "No text recognized");
print!("{text}");
Ok(())
}
None により、Tesseract はインストール済みモデルのディレクトリを探します。Some("eng") は英語を明示的に選択します。バインディング APIは
set_image で画像を読み込み、get_text を通じて認識した UTF-8 テキストを返します。エラーは出力されて成功扱いになるのではなく、main の外へ伝播します。
既知のテキストで実行
rust-ocr があるディレクトリで、次のブロックを貼り付けてください。サブシェルを使うため、途中の処理が失敗した場合も、作業ディレクトリとシェルオプションは変更されません。
(
cd rust-ocr &&
cargo build &&
magick -size 900x180 xc:white -font Liberation-Sans -pointsize 64 \
-fill black -gravity center -annotate +0+0 'INVOICE 12345' PNG24:input.png &&
cargo run --quiet --locked -- input.png
)
ImageMagick の注釈オプションにより、読みやすい不透明な 8 ビット PNG を作成します。検証環境では、標準出力に次の内容が出力されます。
INVOICE 12345
このコマンドは、再実行に成功すると rust-ocr/input.png を置き換えます。このファイル名はサンプル専用とし、保存しておきたい画像には使わないでください。ビルドが失敗した場合、&& で連結したコマンドは、画像の生成や古い実行ファイルの実行を行いません。Tesseract は標準エラー出力にも診断情報を出力する場合があります。
異なる画像形式の処理
同じサンプルでグレースケール処理を試すには、次を実行します。
(cd rust-ocr && cargo run --quiet --locked -- input.png --grayscale)
認識結果のテキストは同じになります。この処理では image で
PNG または JPEG をデコードし、ピクセルをグレースケールに変換して、専用の一時ディレクトリに
PNG を書き込みます。入力は変更しません。透明度を黙って破棄したりサンプル値の範囲を変えたりしないよう、アルファチャンネルを持つ画像と 16 ビット画像は意図的に拒否します。このチュートリアルでは、正しい向きの不透明な 8 ビット画像を使ってください。その他の形式や向きの自動補正は対象外です。
TempDir は認識が完了するまで存続します。そのデストラクターは、成功時と通常のエラーリターン時のどちらでもクリーンアップを試みます。tempfile のソースに記載されているとおり、強制終了ではファイルが残る場合があり、デストラクターによるクリーンアップのエラーも報告されません。安全な消去を保証するものではありません。
OCR の高度な設定
サンプルは単一のテキストブロックなので、プログラムは Tesseract のモード 6 である
PsmSingleBlock を選択します。向きや文字体系の検出は要求しないため、この処理には eng が必要ですが、osd データは不要です。単一のモードがすべての画像に適していると考えず、実際のレイアウトに基づいてセグメンテーションを選んでください。選択肢については、Tesseract の品質ガイドで説明されています。
グレースケール変換は比較検討するための選択肢であり、精度の向上を約束するものではありません。Tesseract はすでに内部で前処理を行っています。文字のぼけ、傾き、低コントラストには、より良い入力や用途に特化した処理が引き続き必要です。文字のホワイトリストも正当な句読点を除外してしまうため、この例では適用しません。
Rust での OCR のベストプラクティス
正常終了は「何らかのテキストが認識された」ことを意味し、「テキストが正しい」ことを意味するわけではありません。重要な値は、使用前に画像と照合してください。空の結果を返すことは OCR エンジンとしては妥当な動作でも、この CLI では空白の入力をエラーとします。明示的に試してみてください。
(
cd rust-ocr &&
magick -size 900x180 xc:white PNG24:blank.png &&
cargo run --quiet --locked -- blank.png
)
このブロックはサンプルの blank.png を置き換え、No text recognized を出力してゼロ以外のステータスで終了します。その他の失敗には、それぞれ異なる対処が必要です。
- ファイル名がない場合や引数が多すぎる場合は、使用方法のメッセージを出力します。
--grayscaleは画像の後に指定してください。 - 画像が存在しない場合は、Could not open input image を出力します。
- デコードに失敗した場合は、Could not decode input image を出力します。
- 英語データがない場合は、Could not initialize English OCR; check eng.traineddata を出力します。
デコードはファイルの整合性検証ではありません。破損した JPEG でも、特にグレースケール処理ではデコードできる場合があり、デコードエラーではなく不完全なテキストが返ることがあります。結果を元の画像と照合してください。この CLI は画像が破損していないことを証明しません。
英語モデルを独自の場所にインストールした場合、TESSDATA_PREFIX には
eng.traineddata を含む既存のディレクトリを指定する必要があります。ファイル自体ではありません。これは Tesseract 5.5.3 が使う検索方法です。tesseract --list-langs が表示するディレクトリを確認してください。古い環境変数の上書き設定が残っていると、Rust プログラムが別のモデルディレクトリを参照する場合があります。
複数言語の処理
この CLI は意図的に英語だけを選択します。モデルを追加でインストールしても、その選択は変わりません。Tesseract は言語識別子の組み合わせに対応していますが、多言語アプリケーションでは、該当するモデルと、結果の評価に使う代表的な画像も必要です。拡張する際は、言語設定のドキュメントを参照してください。英語のテスト用画像では、多言語認識を検証できません。
まとめ
手元の画像を使うには、実行コマンド内の input.png をそのファイル名に置き換え、空白を含むパスは引用符で囲んでください。認識したテキストと照合できるよう、元の画像を保持してください。次に必要なのがローカル CLI ではなく、ホスティング型のドキュメントワークフローであれば、Transloadit のドキュメント処理サービスをご覧ください。
